Wan3.0が正式リリース：1回の生成で最長30秒の音声付き動画、文書やWebページも直接入力可能

Alibabaは8月24日、動画生成モデルWan3.0を正式にリリースした。これは8月6日に開始された公開テストに続くものだ。テキストからの動画生成、開始フレームまたは開始・終了フレームを指定した生成、参照素材に基づく生成を、単一の`wan3.0-video` APIに統合している。最大1080P、1回につき最長30秒の動画を出力でき、音声も同時に生成可能だ。従来のように主にプロンプトやメディア素材を入力するワークフローと比べ、新版ではDOC、XLS、PPT、PDF、Markdown、Apple Pages、Numbersなどの文書を直接読み込めるほか、ログイン不要の公開Webページも解析できる。1回につき文書またはリンクは1件までで、ファイルサイズは100MB以下、一部形式は最大50ページに制限される。

エンジニアリング向けインターフェースは非同期ジョブ方式を採用している。ユーザーはまず北京またはシンガポールのエンドポイントにジョブを送信し、その後、有効期間が24時間の`task_id`を使って結果をポーリングする。モデル、API key、エンドポイントは、すべて同一リージョンに属していなければならない。公式によると、通常の生成時間は約1〜5分。北京リージョンの料金は出力秒数に応じて計算され、480P、720P、1080Pはそれぞれ1秒当たり0.3人民元、0.6人民元、1.2人民元となる。30秒の1080P動画を生成した場合、通常料金は36人民元だ。コンテンツパイプラインにとって真に新しい点は、単にクリップの長さが延びたことではない。モデルがプレゼンテーションの構成、スプレッドシートのデータ、Webページの内容を、ストーリーボード、グラフアニメーション、ナレーションへ変換できるため、事前の情報抽出や人手による書き換え工程を削減できる。

ただし、「正式リリース」はオープンモデル化を意味しない。公式カタログでは、依然として本サービスが招待制テストと表示されている。Wanの公式GitHubおよびHugging Face Organizationでも、3.0の重み、推論コード、ライセンスは公開されていない。アーキテクチャ、学習データ、再現可能なベンチマークも同様に未公開だ。人物の一貫性、微表情、オブジェクトの安定性に関する改善は、現時点では主にベンダーによるデモに基づくものであり、Alibabaも音声品質と画面内テキストの精度にはなお改善が必要だと認めている。開発者は今後、一般提供（GA）の開始時期、実際のキュー待ち時間、文書解析のエラー率に加え、最長30秒の生成において人物のアイデンティティーやシーンのドリフトが本当に抑制されているかを注視すべきだ。